新方向、新趨勢：AI+類器官在藥物非臨床研究中的應用與實戰

中國化工企業管理協會醫藥化工委員會

藥成材信息技術（北京）有限公司

各有關單位

在生物醫藥產業邁向精準化、智能化、高效化的今天，藥物非臨床研究正經歷一場深刻的變革——傳統實驗模型的局限性日益凸顯，而人工智能（AI）與類器官技術的深度融合，正在重塑從靶點發現到藥效驗證的全鏈條研究范式。作為連接基礎研究與臨床轉化的關鍵橋梁，非臨床研究的效率與準確性，直接決定了新藥研發的成功率與成本效益。在此背景下，“2026 AI+類器官：藥物非臨床研究技術進階與實戰培訓班”應運而生，旨在匯聚行業智慧，推動技術創新與實戰能力的雙向突破。

時代機遇：AI與類器官的“雙輪驅動”

近年來，類器官技術憑借其高度仿真的組織微環境、可調控的遺傳背景及高通量篩選潛力，成為替代傳統動物模型、細胞系的核心工具，尤其在腫瘤、神經退行性疾病、代謝性疾病等領域展現出不可替代的優勢。與此同時，AI技術的爆發式發展，為海量生物數據的挖掘、復雜機制的解析、實驗設計的優化提供了“智能引擎”——從基于圖像識別的細胞表型分析，到基于多組學數據的靶點預測，再到虛擬仿真下的藥效模擬，AI正在將類器官研究的“經驗依賴”轉向“數據驅動”，大幅縮短研發周期、降低試錯成本。兩者的結合，不僅是技術層面的互補，更是非臨床研究從“描述性”向“預測性”“精準性”躍遷的關鍵契機！為此我們將于2026年1月17日至18日在線上舉辦“首屆AI+類器官：藥物非臨床研究技術進階與實戰培訓班”，詳細通知如下，請各單位積極選派人員參加。

會議安排

會議地點：線上直播

會議時間：2026年1月17日- 18日

會議時間安排

09:00-12:00 13:30-16:30

會議內容

Day 1：基礎理論與技術融合

模塊1：藥物非臨床研究與類器官技術基礎

1.1 藥物非臨床研究的核心需求與挑戰

藥物研發流程概述（臨床前→臨床）

傳統非臨床研究（動物模型、細胞系）的局限性（種屬差異、成本高、周期長）

類器官技術的優勢：人源化、高仿生性、可重復性

1.2 類器官技術核心原理與制備

類器官定義：結構/功能模擬體內器官的三維培養體系

關鍵技術：干細胞誘導分化、支架材料（水凝膠/微流控）、培養基優化

常見類器官類型（肝、腎、腸、腫瘤等）及其在藥物非臨床中的應用場景

類器官質量控制：形態學、標志物表達、功能驗證（如代謝酶活性）

1.3 AI技術在藥物非臨床中的角色

AI在藥物研發中的典型應用（靶點發現、分子設計、ADMET預測）

類器官研究中的數據痛點：多組學數據（影像、轉錄組、表型）的復雜性

AI賦能方向：類器官圖像分析、藥效/毒性預測模型、實驗方案優化

模塊2：AI與類器官的技術融合路徑

2.1 類器官數據的采集與標準化

數據采集工具：高內涵成像（HCI）、單細胞測序、微流控傳感器

數據標準化挑戰：批次效應、跨平臺兼容性

2.2 AI算法在類器官研究中的應用

計算機視覺：類器官形態學自動識別（分割、計數、異常檢測）

機器學習：藥效/毒性分類模型（隨機森林、XGBoost）、回歸模型（劑量-反應關系）

深度學習：卷積神經網絡（CNN）處理類器官影像、圖神經網絡（GNN）整合多組學數據

案例演示：基于AI的類器官藥物敏感性預測（如腫瘤類器官對化療藥響應）

2.3 虛擬類器官與數字孿生技術

虛擬類器官：通過數學模型模擬類器官生長與藥物作用

數字孿生：整合類器官實驗數據與AI模型，構建動態預測系統

應用場景：藥物篩選優先級排序、毒性預警

Day 2：實踐應用與前沿趨勢

模塊3：AI+類器官的非臨床研究實戰

3.1 實驗設計與技術整合流程

從需求到落地的步驟：靶點選擇→類器官模型構建→AI模型訓練→驗證迭代

關鍵參數優化：類器官成熟度、藥物暴露條件（濃度/時間）、AI模型輸入特征篩選

3.2 典型應用場景詳解

藥效評價：腫瘤類器官藥敏測試（PDX模型替代）、中藥復方多成分協同作用分析

毒性預測：肝類器官代謝毒性（CYP450活性監測）、腎類器官損傷標志物（KIM-1）

機制研究：AI關聯類器官基因表達與藥物表型（如耐藥相關通路挖掘）

3.3 實操演示

工具示例：使用ImageJ+Python腳本實現類器官面積自動測量

模型訓練：基于公開數據集（如L1000）構建簡單藥效預測模型

模塊4：AI+類器官核心技術深度解析

4.1 類器官構建與表征的高級技術

4.1.1 復雜類器官構建技術

3D生物打印：定制化支架設計（如肝小葉結構）、多細胞共打印（肝實質+膽管細胞）

微流控芯片集成：器官芯片（Organ-on-a-Chip）與類器官聯用（如“腸-肝軸”共培養）

長期培養維持：干細胞自我更新調控（Wnt/Notch信號通路優化）、營養梯度設計

4.1.2 高精度表征技術

空間多組學：空間轉錄組（Visium）定位類器官功能區（如腫瘤類器官異質性區域）

功能動態監測：微電極陣列（MEA）記錄類器官電生理活動（神經類器官）、代謝流分析（Seahorse XF）

自動化質控：AI驅動的形態學+功能指標批量評估（如類器官成熟度評分卡）

4.2 AI模型開發與優化的關鍵技術

4.2.1 類器官數據的AI預處理

影像數據增強：旋轉/裁剪/噪聲注入（解決小樣本過擬合）、三維重建（從切片影像到立體結構）

多組學數據對齊：單細胞RNA-seq與影像特征的時空匹配（如基因表達熱點與類器官病灶區域關聯）

缺失值填補：基于GAN的生成式填補（針對低豐度蛋白組數據）

4.2.2 模型架構選擇與優化

小樣本場景：遷移學習（預訓練模型如ResNet-50微調類器官影像）、元學習（MAML算法快速適配新類器官類型）

多任務學習：聯合預測藥效+毒性（共享底層特征提取層，分支輸出不同任務）

可解釋性實現：Grad-CAM可視化影像關注區域、SHAP值解析基因/代謝物貢獻度

4.2.3 案例實操：從0到1構建類器官藥敏預測模型

工具鏈：Python（PyTorch/TensorFlow）+ 類器官影像數據集（如HCA的腫瘤類器官庫）

步驟：數據標注→模型訓練（CNN+注意力機制）→性能評估（AUC/準確率）→結果可視化

4.3 多模態數據整合與智能分析

4.3.1 多源數據融合策略

數據類型：影像（形態）、組學（轉錄/蛋白）、電生理（功能）、臨床（患者響應）

融合模型：圖神經網絡（GNN）構建“類器官-藥物-基因”關聯圖譜、Transformer跨模態注意力機制

4.3.2 智能分析場景

耐藥機制挖掘：

主講老師

美迪西生物醫藥彭雙清團隊演講。協會特聘專家。

彭雙清教授：美迪西生物醫藥首席科學官，軍事醫學科學院研究員、博士生導師。長期從事新藥創制臨床前研究，承擔國家GLP技術平臺建設，主持與承擔國家科研課題40余項, 包括973課題、863項目及國家“重大新藥創制”科技專項等。發表科研論文300余篇，主編參編專著13部。獲國家及省部級科技獎12項。獲國務院政府特殊津貼、軍隊杰出人才崗位津貼、中國科協全國優秀科技工作者榮譽稱號、中國毒理學杰出貢獻獎。培養碩士、博士及博士后90多名。兼任國家食品藥品監督管理局新藥審評專家、醫療器械審評專家及ETAP副主編等學術職務。

會議費用

會務費：4000元/單位-支持多個端口同時在線學習

（會務費包括：培訓、研討、 電子版資料、電子版培訓證書、一年內不限次數高清視頻回放等）課堂中設有問題解答環節，參會企業可選擇投屏觀看，將需要解答的問題發送至公屏，講師會統一解答。參會老師可進入專屬微信群，進行學術交流。

培訓結束后，學員可登錄協會系統官網查看或下載培訓證書。

注：所有報名單位款項須在會前辦理，以便提前開具發票。

匯款賬號

匯款備注： 類器官非臨床

戶 名：藥成材信息技術（北京）有限公司

賬 號：0200316909100078392

開 戶：中國工商銀行股份有限公司房山支行良鄉支行

會議聯系人

?識識別下方二維碼，預約報名。

? 主辦方負責人：李靜17812038015

? 掃描下方二維碼咨詢，預留參會名額。

添加微信請備注單位及姓名，感謝支持。